CN114021914A - 一种无人机集群飞防调度方法及装置 - Google Patents
一种无人机集群飞防调度方法及装置 Download PDFInfo
- Publication number
- CN114021914A CN114021914A CN202111235343.2A CN202111235343A CN114021914A CN 114021914 A CN114021914 A CN 114021914A CN 202111235343 A CN202111235343 A CN 202111235343A CN 114021914 A CN114021914 A CN 114021914A
- Authority
- CN
- China
- Prior art keywords
- farmland
- unmanned aerial
- scheduling scheme
- aerial vehicle
- flight control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
本发明提供一种无人机集群飞防调度方法及装置,所述方法包括:基于每个农田订单信息和每个无人机作业信息生成初始飞防调度方案;采用多目标遗传算法对初始飞防调度方案进行优化,以获取目标飞防调度方案;执行所述目标飞防调度方案进行农田植保作业。本发明提供的无人机集群飞防调度方法及装置,基于农田订单信息和无人机作业信息,针对农田进行植保作业的特点,提出了对农田进行植保作业的飞防调度方案,并且采用多目标遗传算法对这一飞防调度方案进行优化,并给予优化后的飞防调度方案进行农田植保作业,提高了无人机调度的合理性,可以更加有效的对农田进行植保作业。
Description
技术领域
本发明涉及农业信息技术领域,尤其涉及一种无人机集群飞防调度方法及装置。
背景技术
近年来,因无人机植保技术凭借其作业效率高、成本低等特点,发展极为迅速,国内植保无人机保有量及作业面积逐年大幅增长。
目前,国内外对于农业领域的无人机调度研究应用相对较少,现有研究多集中于农田内的无人机航线规划,而没有涉及到植保无人机的整体集群飞防调度。
植保无人机作业周期更短,且农田病虫害爆发具有随机性,各个农田侵染状况也存在差异,现有技术无法根据农田的具体信息,对植保无人机集群进行合理的飞防调度。
发明内容
本发明提供一种无人机集群飞防调度方法及装置,用以解决现有技术中难以实现对无人机集群进行合理的飞防调度的问题。
第一方面,本发明提供一种无人机集群飞防调度方法,包括:基于每个农田订单信息和每个无人机作业信息生成初始飞防调度方案;采用多目标遗传算法对所述初始飞防调度方案进行优化,以获取目标飞防调度方案;执行所述目标飞防调度方案进行农田植保作业。
根据本发明提供一种的无人机集群飞防调度方法,所述采用多目标遗传算法对初始飞防调度方案进行优化,以获取目标飞防调度方案,包括:以作业总收益函数和作业总时长函数为目标函数,对初始飞防调度方案进行迭代优化,获取所述目标飞防调度方案;所述目标飞防调度方案,使得所述作业总收益函数取得全局最大值,并且所述作业总时长函数取得全局最小值。
根据本发明提供一种的无人机集群飞防调度方法,所述以作业总收益函数和作业总时长函数为目标函数,对初始飞防调度方案进行迭代优化,获取目标飞防调度方案,包括:
步骤1:将初始飞防调度方案作为一个个体,通过对所述个体进行变异增殖,生成包含多个个体的一个初始种群;
步骤2:通过拥挤度算法和非支配排序算法将所述初始种群划分为两个子种群;
步骤3:分别对两个所述子种群中的个体执行不同的交叉、变异方案,并将两个所述子种群合并,形成合并种群;
步骤4:通过改进型精英策略筛选所述合并种群中的个体以生成目标种群;
步骤5:将所述目标种群作为所述初始种群,并迭代执行步骤1到步骤4直到迭代次数达到预设次数;
步骤6:将最后一次迭代生成的目标种群,作为最终种群,根据所述目标函数从所述最终种群中确定出目标个体,并根据所述目标个体生成所述目标飞防调度方案。
根据本发明提供一种的无人机集群飞防调度方法,所述作业总收益函数和作业总时长函数的表达式分别为:
其中,E为所述作业总收益函数,T为所述作业总时长函数;cs为单位面积作业收费;cw为单位面积作业成本;Aj为第j个农田订单面积;cd为等待时间成本;tw为等待时长;ct为转移成本;tc为转移时长;twork为作业时长;k为惩罚系数;tp为超出作业时间窗的时间,m指代无人机总数,n指代农田订单总数。
根据本发明提供一种的无人机集群飞防调度方法,所述基于每个农田订单信息和每个无人机作业信息生成初始飞防调度方案,包括:
根据所述农田订单信息对所述农田订单进行排序,以确定进行植保作业的所述农田订单的顺序;
按照所述顺序并且结合所述无人机作业信息,为每一个所述农田订单分配无人机,以供所述无人机执行所述农田订单。
根据本发明提供一种的无人机集群飞防调度方法,所述根据农田订单信息对农田订单进行排序,以确定进行植保作业的农田订单的顺序,包括:
根据农田的虫害侵染程度将所有的所述农田订单分配至多个子集之中,并且对多个子集进行排序;
基于所述农田订单信息以及不同农田订单信息所对应的权重建立优先级函数;
基于所述优先级函数对每一个子集中的所有的农田订单进行排序。
根据本发明提供一种的无人机集群飞防调度方法,所述优先级函数的表达式为:
p=w1Aj+w2Tj+w3bj;
其中,p为所述优先级函数的函数值;Tj为农田订单j的开始时间与当前时间的天数之差;Aj为第j个农田订单的农田面积;bj为订单j的作业时间窗长度;w1为Aj在优先级函数中的权重,w2为Tj在优先级函数中的权重,w3为bj在优先级函数中的权重。
第二方面,本发明还提供一种无人机集群飞防调度装置,包括:初始模块,用于基于每个农田订单信息和每个无人机作业信息生成初始飞防调度方案;优化模块,用于采用多目标遗传算法对初始飞防调度方案进行优化,以获取目标飞防调度方案;执行模块,用于执行所述目标飞防调度方案进行农田植保作业。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述无人机集群飞防调度方法的步骤。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述无人机集群飞防调度方法的步骤。
本发明提供的无人机集群飞防调度方法及装置,基于农田订单信息和无人机作业信息,针对农田进行植保作业的特点,提出了对农田进行植保作业的飞防调度方案,并且采用多目标遗传算法对这一飞防调度方案进行优化,并给予优化后的飞防调度方案进行农田植保作业,提高了无人机调度的合理性,可以更加有效的对农田进行植保作业。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的无人机集群飞防调度方法的流程示意图;
图2是本发明提供的生成初始飞防调度方案流程示意图;
图3是本发明提供的农田订单在初始化之前的编码示意图;
图4是本发明提供的农田订单在初始化之后的编码示意图;
图5是本发明提供的个体编码单点变异示意图;
图6是本发明提供的反转突变变异方案示意图;
图7是本发明提供的均匀交叉变异方案示意图;
图8是本发明提供的改进型的精英策略示意图;
图9是本发明提供的多个飞防调度方案的比较示意图;
图10是本发明提供的一种飞防调度方案的甘特图;
图11是本发明提供的无人机集群飞防调度装置结构示意图;
图12是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明实施例的描述中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
目前,国内外对于农业领域的无人机调度研究应用相对较少,现有研究多集中于农田内的无人机航线规划,相关农机调度的研究多集中于作物收获环节。在不同作业场景下,各调度模型所考虑的变量及约束条件是其主要差异。
与农作物收获等作业环节相比,植保无人机作业周期更短,且农田病虫害爆发具有随机性,各个农田侵染状况也存在差异,这对种植保无人机集群飞防调度提出了挑战。因此,现有农机调度模型及算法不能直接应用于无人机飞防队作业调度。鉴于病虫害防治的强时效性以及有限的无人机资源,建立高效的智能调度模式对于提高病虫害防治效率、降低作业成本具有重要意义。
下面结合图1-图12描述本发明实施例所提供的无人机集群飞防调度方法和装置。
图1是本发明提供的无人机集群飞防调度方法的流程示意图,如图1所示,包括但不限于以下步骤:
步骤101:基于每个农田订单信息和每个无人机作业信息生成初始飞防调度方案;
其中,农田订单信息是基于农田信息以及对农田的具体作业需求确定的。需要说明的是,一块农田对应一个农田订单,一个农田订单具有一个不同的农田订单信息。
每一个农田订单信息可以至少包括以下信息中的一种:农田面积、农田位置、申请提交时间、作业时间窗、虫害侵染程度等。申请提交时间即为该农田订单的下单时间。作业时间窗为农田订单的作业时间限制,即要求在指定的时间范围内完成植保作业。例如某农田订单的作业时间窗为4月12日~4月17日,该订单需要在此时间段内完成。虫害侵染程度可以根据不同农田遭受的虫害情况设置为高、中、低。
可选地,定义农田订单集合F,表征所有参与飞防调度的无人机作业信息:
F={f1,f2,…,fn}
fj={{lonj,latj},Aj,{Tsj,Tej},ILj}
其中,F为农田订单集合;fj为第j个农田订单信息;{lonj,latj}表示第j个农田订单的农田位置信息;Aj表示第j个农田订单的农田面积,单位为hm2;{Tsj,Tej}为第j个农田的作业时间窗;ILj为第j个农田订单的虫害侵染程度。
每一个无人机作业信息至少包括以下信息中的一种:无人机型号、飞防工作能力、无人机位置、无人机工作状态等内容。无人机型号与飞防工作能力决定了植保作业时间和作业范围,无人机位置决定了飞行转场安排,无人机的状态决定是否能进行飞防作业。其中无人机状态主要指的是无人机当日的剩余工作时长。
可选地,可以定义无人机集合M,用于表征所有参与飞防调度的无人机作业信息。
M={m1,m2,…,mm}
mi={{loni,lati},wi,vi,dti,C}
C={cs,cw,ct,cd}
其中,M为无人机集合;mi为第i个无人机作业信息;{loni,lati}为无人机i位置信息;wi为第i个无人机的工作效率,单位为hm2/h;vi为第i个无人机的转移速度,单位为km/h;dti为第i个无人机的剩余工作时长,单位为h;cs为单位面积作业收费,单位为hm2/元;cw为单位面积使用成本,hm2/元;ct为单位距离转移成本,h/元;cd为单位等待时间成本,h/元。
可选地,初始飞防调度方案可以为:根据每个农田订单信息中的申请提交时间,确定农田订单的下单顺序,按照订单顺序依次寻找离农田最近的飞防队安排飞防无人机开展植保作业,直到完成所有的农田订单。当然这只是一种基于每个农田订单信息和每个无人机作业信息生成初始飞防调度方案的方法,也可以采用其他的方法,获取无人机的初始飞防调度方案。
步骤102:采用多目标遗传算法(又称:NSGA-II遗传算法)对初始飞防调度方案进行优化,以获取目标飞防调度方案。
NSGA-II遗传算法为多目标遗传算法之一,它降低了非劣排序遗传算法的复杂性,具有运行速度快,解集的收敛性好的优点。NSGA-II遗传算法可以通过设置多个合适的目标函数,对初始飞防调度方案进行不断的优化,最终根据目标函数确定目标飞防调度方案。
其中,目标函数可以根据实际需要进行设定,比如:设定无人机集群的的总工作时长最短、或者无人机集群的总花费成本最低等。
步骤103:执行所述目标飞防调度方案进行农田植保作业。
在对初始飞防调度方案优化生成目标飞防调度方案后,可以通过专用设备或者平台将目标飞防调度方案下发给飞防队无人机集群,无人机根据下发的任务进行植保作业。
本发明提供的无人机集群飞防调度方法,基于农田订单信息和无人机作业信息,针对农田进行植保作业的特点,提出了对农田进行植保作业的飞防调度方案,并且采用多目标遗传算法对这一飞防调度方案进行优化,并给予优化后的飞防调度方案进行农田植保作业,提高了无人机调度的合理性,可以更加有效的对农田进行植保作业。
基于上述实施例,作为一种可选实施例,本发明提出的无人机集群飞防调度方法,采用多目标遗传算法对初始飞防调度方案进行优化,以获取目标飞防调度方案,包括:以作业总收益函数和作业总时长函数为目标函数,对初始飞防调度方案进行迭代优化,获取所述目标飞防调度方案;所述目标飞防调度方案,使得所述作业总收益函数取得全局最大值,并且所述作业总时长函数取得全局最小值。
可选的,将作业总收益函数和作业总时长函数作为目标函数。当目标飞防调度方案使得作业总收益函数取得最大值,表明此时的目标飞防调度方案可以使得植保作业取得最大的收益;当作业总时长函数取得最小值时,可以使得植保作业的时长最短。
当所述作业总收益函数取得全局最大值,并且所述作业总时长函数取得全局最小值,对应的飞防调度方案即为目标飞防调度方案。
需要说明的是,在采用多目标遗传算法实际对初始飞防调度方案优化的过程中,在有限的迭代次数内,可能不存在同时使得作业总收益函数取得全局最大值以及作业总时长函数取得最小值的解(飞防调度方案),在这种情况下可以根据具体的解的情况,选择最合适的一个解作为目标飞防调度方案;或者选择多个解来作为最终的目标飞防调度方案集。
基于上述实施例,作为一种可选实施例,本发明可以根据与无人机飞防调度的相关因素,对目标函数的具体公式进行设置。
与设置目标函数先关的因素包括:农田订单信息、无人机作业信息、路径矩阵、相关时间集等。其中,农田订单信息、无人机作业信息在上述实施例中已经进行了说明,现对路径矩阵和相关时间集进行简单的说明。
根据待植保作业农田信息和飞防无人机位置信息,通过天地图API得到农田与无人机之间的距离,最终整理得到路径矩阵Pr。
Pr={VP,dgh}
VP=Vf∪Vm
Vf={Vf1,Vf2,…,Vfn}
Vm={Vm1,Vm2,…,Vmm}
其中,Pr为路网中各路径节点及路径信息;VP为路网中路径节点集合;Vf为农田节点集合;Vm为飞防队(无人机)初始节点集合;dgh为节点g、h之间的距离,单位为km。
定义与无人机飞防作业相关时间集Dk为:
Dk={T1,T2,…,Tm}
Ti={Twork,tc,Tr},
Twork={twork,1,twork,2,…,twork,n}
其中,Dk为第k天飞防队相关时间集;Ti为飞防队i相关时间集;Twork为飞防队工作时间集合;twork,n为飞防队在农田n的工作时长,h;tc为飞防队转移时间,h;Tr为飞防队非作业时间集合。需要说明的是,在本发明中一个飞防队对应一台无人机,对飞防队的调度,也即是对无人机的调度。
基于上述相关因素,将作业总收益函数和作业总时长函数设置如下:
其中,E为所述作业总收益函数,T为所述作业总时长函数;cs为单位面积作业收费;cw为单位面积作业成本;Aj为第j个农田订单面积;cd为等待时间成本;tw为等待时长;ct为转移成本;tc为转移时长;twork为作业时长;k为惩罚系数;tp为超出作业时间窗的时间,m指代无人机总数,n指代农田订单总数。
由于调度方案是由多目标遗传算法随机生成的,有时会出现第一台无人机还未工作完成,第二台无人机已经到达了的情况。在本发明的设定中,同一块农田是不能同时让1台以上的无人机同时进行工作的,所以第二台无人机就需要等待第一台无人机工作完成。此时就会出现等待时间,而出现等待时间说明这个调度方案安排不够合理,为了降低此调度方案的评价,就给等待时间加上了一个“等待成本”,让其在两个目标函数中的获得的评价更低。同样的,转移时长是指一台无人机从一块农田到另一块农田所花费的时间,并且在目标函数中设置转移成本。
本发明提供的无人机集群飞防调度方法,通过将以作业总收益函数和作业总时长函数为目标函数,对初始飞防调度方案进行优化,获得了目标飞防调度方案,有效地提高植保无人机作业的效率和效益。
基于上述实施例,作为一种可选实施例,本发明提出的无人机集群飞防调度方法,基于每个农田订单信息和每个无人机作业信息生成初始飞防调度方案,包括:根据农田订单信息对农田订单进行排序,以确定进行植保作业的农田订单的顺序;按照所述顺序并且结合所述无人机作业信息,按照所述顺序并且结合所述无人机作业信息,为每一个所述农田订单分配无人机,以供所述无人机执行所述农田订单。
可选地,根据农田订单信息对农田订单进行排序,以确定进行植保作业的农田订单的顺序,包括:
根据农田的虫害侵染程度将所有的所述农田订单分配至多个子集之中,并且对多个子集进行排序。例如,建立三个子集O1、O2、O3,对应的虫害侵染程度分别为:高、中、低。
然后,根据农田订单的虫害侵染程度分配至相应子集,再根据农优先级函数进行组内排序,最后将O1、O2、O3内订单依次连接,即完成农田订单的排序。
其中,优先级函数是根据农田订单信息以及不同农田订单信息所对应的权重建立的。
优先级函数如下:
p=w1Aj+w2Tj+w3bj
其中,p为所述优先级函数的函数值;Aj为第j个农田订单面积;Tj为第j个农田订单的开始时间与当前时间的天数之差,单位为天;bj为第j个农田订单的作业时间窗长度,单位为天;w1为农田订单面积在优先级函数中的权重,w2为Tj在优先级函数中的权重,w3为bj在优先级函数中的权重。
图2是本发明提供的生成初始飞防调度方案流程示意图,如图2所示,其中i为无人机编号,d为作业天数,因为作业的农田订单面积会很大,派出的无人机集群不一定能当天完成,当今天的调度安排无法完成任务时,那么无人机群的作业天数会增加一天并且会重新执行第二天的无人机集群的调度任务安排。
图2中编号含义如下:
①判断无人机集合M是否为空;
②判断无人机i到达农田时的剩余工作时长dti是否大于0;
③判断农田订单j的剩余工作面积是否大于0;
④判断农田订单是否有剩余。
假设一共有4个农田订单,下文将用例子说明在形成初始飞防调度方案的过程中,也即在农田订单初始化前后的编码的区别。
图3是本发明提供的农田订单在初始化之前的编码示意图,如图3所示,经过对上述4个农田订单进行排序后,F1、F2、F3、F4为待分配无人机的农田订单。
图4是本发明提供的农田订单在初始化之后的编码示意图,如图4所示,为农田订单F1分配无人机m1、m3、m4;为农田订单F2分配无人机m2、m4;为农田订单F3分配无人机m1、m3、m5、m6;为农田订单F4分配无人机m1、m3。上述依次为农田订单分配无人机的方案即为本发明所生成的初始飞防调度方案。
本发明提供的无人机集群飞防调度方法,通过农田的虫害侵染程度对所有的农田订单进行排序,并且按农田订单顺序依次寻找离农田订单最近的飞防队安排飞防无人机开展植保作业,生成了无人机的初始飞防调度方案,提高多目标遗传算法中的有效解数量,并且更加有利于生成表现更加优秀的飞防调度方案。
基于上述实施例,作为一种可选实施例,本发明提出的无人机集群飞防调度方法,以作业总收益函数和作业总时长函数为目标函数,对初始飞防调度方案进行迭代优化,获取目标飞防调度方案,包括:
步骤1:将初始飞防调度方案作为一个个体,通过对所述个体进行变异增殖,生成一个包含多个个体的初始种群;
步骤2:通过拥挤度算法和非支配排序算法将所述初始种群划分为两个子种群;
步骤3:分别对两个所述子种群中的个体执行不同的交叉、变异方案,并将两个所述子种群合并,形成合并种群;
步骤4:通过改进型精英策略筛选所述合并种群中的个体以生成目标种群;
步骤5:将所述目标种群作为所述初始种群,并迭代执行步骤1到步骤4直到迭代次数达到预设次数;
步骤6:将最后一次迭代生成的目标种群,作为最终种群,根据所述目标函数从最终种群中确定出目标个体,并根据所述目标个体生成所述目标飞防调度方案。
可选地,以上述实施例中生成的初始飞防调度方案为例,对其优化的过程进行介绍。为了得到更理想的解集,利用基于双种群的NSGA-II遗传算法优化上述初始飞防调度方案。
图5是本发明提供的个体编码单点变异示意图,如图5所示,将初始化调度方案作为最初的个体,通过单点变异增殖,生成一个数量为ng的初始种群。
为了保留更理想的个体,采用了非支配排序算法和拥挤度算法对初始种群中的个体进行筛选,最终将初始种群划分为两个子种群:种群a和种群b,每个子种群中的个体数量为0.5ng。
针对传统NSGA-II(多目标遗传算法)模型稳定但存在种群多样性欠缺,收敛速度慢等问题,本发明采用改进的双种群进化策略对NSGA-II模型进行优化,通过NSGA-II中的非支配序列和拥挤度对剩余种群进行二次划分,对划分出的种群a和种群b采用不同的交叉和变异方案,以增加算法的搜索能力,提高算法的收敛速度。
由于种群a中的个体拥有更优良的性状,为了保持种群的全局优势,采取单点交叉和单点变异方案。
对于种群b中的个体利用普通的遗传操作难以产生新的优良个体,为了打破现状,找到更有优势的个体、提高算法的局部搜索能力,种群b的个体采用反转突变变异和均匀交叉方案。
图6是本发明提供的反转突变变异方案示意图,如图6所示,展示了一个父代个体执行反转突变变异生成子代的过程。图7是本发明提供的均匀交叉变异方案示意图,如图7所示,展示了两个父代个体执行反均匀交叉变异生成两个子代的过程。可以参照图6和图7中的变异方式,对种群b中的个体进行变异操作。
本发明对种群a和种群b执行对应的交叉、变异方案将各自种群中的个体数量恢复ng后,进一步将种群a和种群b合并为个体数量为2ng的大种群即为合并种群。
图8是本发明提供的改进型的精英策略示意图。如图8所示,改进型精英策略是在原有精英策略的基础上,结合双种群算法执行不同变异、交叉策略的需求,对种群3根据个体间的非支配序列和同序列中的个体拥挤度对种群进一步分割为新的种群1、2的策略。为了确保合并种群中数量和其中个体的优异性,经过改进型精英策略筛选后将合并种群中的个体数量控制为ng,以生成目标种群。
至此完成一代种群的繁衍筛选过程,进一步的将目标种群作为初始种群,重复上述步骤直到达到设定的迭代代数,将最后一次迭代生成的目标种群,作为最终种群。最后根据设置的目标函数从最终种群中确定出一个或者多个目标个体,并根据目标函数输出全局最优解集。
本发明提供的无人机集群飞防调度方法,针对传统NSGA-II(多目标遗传算法)模型稳定但存在种群多样性欠缺,收敛速度慢等问题,本发明采用改进的双种群进化策略对NSGA-II模型进行优化,增加算法的搜索能力,提高算法的收敛速度,可以获取更加优秀的目标飞防调度方案,有效地提高植保无人机作业的效率和效益。
图9是本发明提供的多个飞防调度方案的比较示意图,如图9所示,实际上,经过多目标遗传算法对初始飞防调度方案进行优化,输出的数个调度方案中可能没有绝对的最优方案,所以需要决策者从最优飞防调度方案解集中选择出最符合自己需求的方案,然后根据此方案对飞防任务进行详细规划。
图10是本发明提供的一种飞防调度方案的甘特图,如图10所示,图10中每一条块中的编号为农田订单的编号,纵坐标飞防队编号也即为无人机编号。本发明将具体的飞防调度方案以甘特图形式显示,可直观的观察到植保无人机的调度任务。
图11是本发明提供的无人机集群飞防调度装置结构示意图,如图11所示该装置包括:初始模块201,优化模块202,执行模块203。
初始模块201,用于基于每个农田订单信息和每个无人机作业信息生成初始飞防调度方案;
优化模块202,用于采用多目标遗传算法对初始飞防调度方案进行优化,以获取目标飞防调度方案;
执行模块203,用于执行所述目标飞防调度方案进行农田植保作业。
本发明提供的无人机集群飞防调度装置,基于农田订单信息和无人机作业信息,针对农田进行植保作业的特点,提出了对农田进行植保作业的飞防调度方案,并且采用多目标遗传算法对这一飞防调度方案进行优化,并给予优化后的飞防调度方案进行农田植保作业,提高了无人机调度的合理性,可以更加有效的对农田进行植保作业。
图12是本发明提供的电子设备的结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行无人机集群飞防调度方法,该方法包括:基于每个农田订单信息和每个无人机作业信息生成初始飞防调度方案;采用多目标遗传算法对初始飞防调度方案进行优化,以获取目标飞防调度方案;执行所述目标飞防调度方案进行农田植保作业。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的无人机集群飞防调度方法,该方法包括:基于每个农田订单信息和每个无人机作业信息生成初始飞防调度方案;采用多目标遗传算法对初始飞防调度方案进行优化,以获取目标飞防调度方案;执行所述目标飞防调度方案进行农田植保作业。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的无人机集群飞防调度方法,该方法包括:基于每个农田订单信息和每个无人机作业信息生成初始飞防调度方案;采用多目标遗传算法对初始飞防调度方案进行优化,以获取目标飞防调度方案;执行所述目标飞防调度方案进行农田植保作业。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种无人机集群飞防调度方法,其特征在于,包括:
基于每个农田订单信息和每个无人机作业信息生成初始飞防调度方案;
采用多目标遗传算法对所述初始飞防调度方案进行优化,以获取目标飞防调度方案;
执行所述目标飞防调度方案进行农田植保作业。
2.根据权利要求1所述的无人机集群飞防调度方法,其特征在于,所述采用多目标遗传算法对初始飞防调度方案进行优化,以获取目标飞防调度方案,包括:
以作业总收益函数和作业总时长函数为目标函数,对初始飞防调度方案进行迭代优化,获取所述目标飞防调度方案;
所述目标飞防调度方案,使得所述作业总收益函数取得全局最大值,并且所述作业总时长函数取得全局最小值。
3.根据权利要求2所述的无人机集群飞防调度方法,其特征在于,所述以作业总收益函数和作业总时长函数为目标函数,对初始飞防调度方案进行迭代优化,获取目标飞防调度方案,包括:
步骤1:将初始飞防调度方案作为一个个体,通过对所述个体进行变异增殖,生成一个包含多个个体的初始种群;
步骤2:通过拥挤度算法和非支配排序算法将所述初始种群划分为两个子种群;
步骤3:分别对两个所述子种群中的个体执行不同的交叉、变异方案,并将两个所述子种群合并,形成合并种群;
步骤4:通过改进型精英策略筛选所述合并种群中的个体以生成目标种群;
步骤5:将所述目标种群作为所述初始种群,并迭代执行步骤1到步骤4直到迭代次数达到预设次数;
步骤6:将最后一次迭代生成的目标种群,作为最终种群,根据所述目标函数从所述最终种群中确定出目标个体,并根据所述目标个体生成所述目标飞防调度方案。
5.根据权利要求1所述的无人机集群飞防调度方法,其特征在于,所述基于每个农田订单信息和每个无人机作业信息生成初始飞防调度方案,包括:
根据所述农田订单信息对所述农田订单进行排序,以确定进行植保作业的所述农田订单的顺序;
按照所述顺序并且结合所述无人机作业信息,为每一个所述农田订单分配无人机,以供所述无人机执行所述农田订单。
6.根据权利要求5所述的无人机集群飞防调度方法,其特征在于,所述根据农田订单信息对农田订单进行排序,以确定进行植保作业的农田订单的顺序,包括:
根据农田的虫害侵染程度将所有的所述农田订单分配至多个子集之中,并且对多个子集进行排序;
基于所述农田订单信息以及不同农田订单信息所对应的权重建立优先级函数;
基于所述优先级函数对每一个子集中的所有的农田订单进行排序。
7.根据权利要求6所述的无人机集群飞防调度方法,其特征在于,所述优先级函数的表达式为:
p=w1Aj+w2Tj+w3bj;
其中,p为所述优先级函数的函数值;Tj为农田订单j的开始时间与当前时间的天数之差;Aj为第j个农田订单的农田面积;bj为订单j的作业时间窗长度;w1为Aj在优先级函数中的权重,w2为Tj在优先级函数中的权重,w3为bj在优先级函数中的权重。
8.一种无人机集群飞防调度装置,其特征在于,包括:
初始模块,用于基于每个农田订单信息和每个无人机作业信息生成初始飞防调度方案;
优化模块,用于采用多目标遗传算法对初始飞防调度方案进行优化,以获取目标飞防调度方案;
执行模块,用于执行所述目标飞防调度方案进行农田植保作业。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述无人机集群飞防调度方法步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述无人机集群飞防调度方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235343.2A CN114021914A (zh) | 2021-10-22 | 2021-10-22 | 一种无人机集群飞防调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235343.2A CN114021914A (zh) | 2021-10-22 | 2021-10-22 | 一种无人机集群飞防调度方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114021914A true CN114021914A (zh) | 2022-02-08 |
Family
ID=80057277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111235343.2A Pending CN114021914A (zh) | 2021-10-22 | 2021-10-22 | 一种无人机集群飞防调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021914A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542468A (zh) * | 2023-05-06 | 2023-08-04 | 中国人民解放军32370部队 | 一种无人机集群任务规划方法 |
-
2021
- 2021-10-22 CN CN202111235343.2A patent/CN114021914A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542468A (zh) * | 2023-05-06 | 2023-08-04 | 中国人民解放军32370部队 | 一种无人机集群任务规划方法 |
CN116542468B (zh) * | 2023-05-06 | 2023-10-20 | 中国人民解放军32370部队 | 一种无人机集群任务规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104866898B (zh) | 一种基于协同混合人工鱼群模型的多目标柔性作业车间调度方法 | |
CN110782086B (zh) | 一种用于救援的带无人机车辆配送路径优化方法及系统 | |
CN107977743B (zh) | 多无人机协同任务分配方法及装置 | |
CN108880663A (zh) | 基于改进遗传算法的天地一体化网络资源分配方法 | |
CN109544998B (zh) | 一种基于分布估计算法的航班时隙分配多目标优化方法 | |
CN107886201B (zh) | 多无人机任务分配的多目标优化方法及装置 | |
CN103530709B (zh) | 一种基于细菌觅食优化方法的集装箱码头泊位和岸桥分配方法 | |
CN107783831A (zh) | 一种任务调度方法及装置 | |
CN112766813A (zh) | 一种空天协同观测复杂任务调度方法及系统 | |
CN104572297B (zh) | 一种基于遗传算法的Hadoop作业调度方法 | |
CN111325356A (zh) | 一种基于演化计算的神经网络搜索分布式训练系统及训练方法 | |
CN108632831A (zh) | 一种基于动态航迹的无人机群频谱资源分配方法 | |
CN109165808A (zh) | 一种电力通信网现场运维工单派发方法 | |
CN107330560A (zh) | 一种考虑时序约束的异构飞行器多任务协同分配方法 | |
CN111784211B (zh) | 一种基于分簇的群体多任务分配方法及存储介质 | |
CN113098714A (zh) | 一种基于深度强化学习的低时延网络切片的方法 | |
Marinakis et al. | Bumble bees mating optimization algorithm for the vehicle routing problem | |
Ghalenoei et al. | Discrete invasive weed optimization algorithm: application to cooperative multiple task assignment of UAVs | |
Liao et al. | An ant colony optimization algorithm for setup coordination in a two-stage production system | |
Phu-ang et al. | Memetic algorithm based on marriage in honey bees optimization for flexible job shop scheduling problem | |
CN114021914A (zh) | 一种无人机集群飞防调度方法及装置 | |
Hu | An improved flower pollination algorithm for optimization of intelligent logistics distribution center | |
CN104540171B (zh) | 一种无线传感器网络中的节点任务分配方法 | |
Zhou et al. | A novel mission planning method for UAVs’ course of action | |
CN108921354A (zh) | 一种基于粒子群优化的蚁群算法求解tsp问题的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |